【人工智能agent】--docker本地部署dify教程

【人工智能agent】--docker本地部署dify教程

目录

1.dify介绍

2.准备工作

3.安装docker

3.1.默认安装

3.2.自定义路径安装(推荐)

3.3.验证docker

3.4.切换镜像源

4.下载git

5.下载dify源码

6.启动dify

7.打开dify


1.dify介绍

        Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务(Backend as Service)和 LLMOps 的理念,使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员,也能参与到 AI 应用的定义和数据运营过程中。

        非技术人员:不懂编程、对大模型不太懂,也可以使用DIFY

2、功能介绍
        由于 Dify 内置了构建 LLM 应用所需的关键技术栈,包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的 Agent 框架、灵活的流程编排,并同时提供了一套易用的界面和 API。这为开发者节省了许多重复造轮子的时间,使其可以专注在创新和业务需求上。

3、相关网站

dify官网:Dify.AI · 生成式 AI 应用创新引擎

部署dify首先下载dokcer docker官网:Docker: Accelerated Container Application Development

使用文档链接:Deploy with Docker Compose | Dify

 2.准备工作

本地化部署dify所需要的安装包

  1. git安装包:用来拉取dify的代码
  2. docker desktop 安装包:用来docker compose部署
  3. dify源代码

这些在官网都可以下载到,这里再提供网盘资源:

链接: https://pan.baidu.com/s/1RHgSbVsTtn57TN4ZhTH1gA?pwd=v2sw 提取码: v2sw 

dify源码还是自己去官网下载吧,网盘里面的版本不是最新的:

https://github.com/langgenius/dify/issues

3.安装docker

3.1.默认安装

双击Docker Desktop Installer.exe,默认安装到c盘

3.2.自定义路径安装(推荐)

& ".\Docker Desktop Installer.exe"  install --installation-dir="D:\Docker"

3.3.验证docker

docker -v docker-compose -v 

3.4.切换镜像源

{ "builder": { "gc": { "defaultKeepStorage": "20GB", "enabled": true } }, "experimental": false, "registry-mirrors": [ "https://docker.feng.cx", "https://docker.m.daocloud.io", "https://docker.imgdb.de", "https://docker-0.unsee.tech", "https://docker.hlmirror.com", "https://docker.1ms.run", "https://func.ink", "https://lispy.org", "https://docker.xiaogenban1993.com", "https://docker.xuanyuan.me", "https://docker.rainbond.cc", "https://do.nark.eu.org", "https://dc.j8.work", "https://docker.hpcloud.cloud", "https://docker.unsee.tech", "https://docker.1panel.live", "http://mirrors.ustc.edu.cn", "https://docker.chenby.cn", "http://mirror.azure.cn", "https://dockerpull.org", "https://dockerhub.icu", "https://hub.rat.dev" ] }

4.下载git

windows安装git(全网最详细,保姆教程)-ZEEKLOG博客

5. 下载dify源码

在git安装目录下执行下面的命令

git.exe clone --progress -v "https://github.com/langgenius/dify.git" "D:\dify"

·当然如果通过资源下载了源码,那就可以跳过此步骤

6.启动dify

在git bash窗口下依次执行下面的命令

cd dify/docker cp .env.example .env docker compose -p dify up -d 

安装完成过后,验证一下

docker compose ps 

7.打开dify

进入dify

http://127.0.0.1/install 

先注册一个账号,

Read more

OpenClaw 深度原理解析:从智能体平台到AI操作系统的架构革命

OpenClaw 深度原理解析:从智能体平台到AI操作系统的架构革命

1 引言:重新定义个人AI助手的能力边界 OpenClaw 是2026年以来最受关注的开源AI智能体项目,它并非简单的聊天机器人,而是一个 完整的AI代理运行时平台 。其核心设计哲学是成为“AI应用的操作系统”,将大型语言模型的智能与本地系统的操作能力深度融合。 与普通Agent只能进行“问答响应”不同,OpenClaw实现了从“被动响应”到“主动干活”的范式转变。它支持自动化编程、浏览器自动化、智能家居控制、跨终端协作等复杂任务,几乎可以视作一位全能的“数字员工”。 2 核心架构设计 2.1 四层架构模型 OpenClaw的架构可抽象为四个逻辑层级,它们协同工作,完成从“用户输入”到“智能响应”的全过程。 2.1.1 平台适配层 作为系统与外部世界交互的“皮肤”和“感官”,该层由一系列“平台适配器”构成。每个适配器都是一个独立的服务或插件,专门用于与特定平台(

这 6 个测试 Skills,让 AI 成为你的 QA 搭档

这 6 个测试 Skills,让 AI 成为你的 QA 搭档

不知道大家有没有感觉到,最近 AI Agent Skills 在测试圈真的火起来了。 以前写自动化测试,要自己配环境、写脚本、调接口,各种繁琐操作。现在有了 Claude Code 配合专业的 Testing Skills,很多重复性的测试工作都能交给 AI 来完成。 特别是对于那些测试任务重、人手不够的团队来说,用好这些 Skills,测试效率能提升好几倍。下面就给大家分享 6 个我最近发现的超实用测试 Skills。 01 Web 应用测试:Webapp Testing Skill 这个是 Anthropic 官方推出的 Web 应用测试 Skill,在官方 Skills 仓库里就能找到。 传统的 Web 测试需要自己写 Playwright 或 Selenium

Agent-Browser: 适合ai的浏览器自动化 CLI 工具(以OpenCode为例)

Agent-Browser: 适合ai的浏览器自动化 CLI 工具(以OpenCode为例)

介绍 Agent-Browser是Vercel 专为AI Agent 设计的一个浏览器自动化 CLI 工具,能让 它们模拟人类操作浏览器(点击、滚动、截图和填表单等), 是对playwright作为封装和优化,默认是无头模式操作浏览器。 agent-browser 及关联 Skill vs  playwright-skill 综合信息表 Skill(技能 / 工具)来源(获取 / 运行方式)核心功能核心技术(底层实现)agent-browsernpm install -g agent-browser通用浏览器自动化(CLI 版)Playwright + 自有 CLI 封装dogfoodagent-browser 内置子 skillQA 测试、探索性测试基于 agent-browser 核心能力electronagent-browser 内置子 skillElectron 桌面应用测试无额外标注(默认基于 agent-browser)slackagent-browser

生物细胞学在AI时代下的最新进展(2026版)

生物细胞学在AI时代下的最新进展(2026版)

从“看细胞”到“预测细胞”,人工智能正在怎样改写细胞生物学? 过去几年,人工智能在生命科学中最出圈的应用,往往集中在蛋白质结构预测、分子设计和药物筛选上。AlphaFold让人们第一次如此直观地感受到:原来一个看似极度复杂的生物问题,真的可能被大规模数据、模型架构和计算能力共同推进到“范式改变”的节点。可如果把视角从蛋白质拉回实验室,从分子层面的结构预测,回到细胞生物学研究者每天面对的培养箱、显微镜、图像、单细胞测序矩阵和反复调参的分析脚本,你会发现另一场同样深刻、却更贴近日常科研的变化,也已经开始发生。(Nature) 这场变化的核心,不只是“AI 让分析更快”。更准确地说,AI正在把细胞生物学中的许多传统环节,从“依赖人工经验、低通量、强主观”的工作方式,改造成“高维、可重复、可批量、可预测”的数据流程。过去,研究者常常用显微镜“看见”细胞;现在,越来越多的工作开始让模型去“读懂”细胞。